จุดเริ่มต้นองค์กร: วิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์

สาขาปัญญาประดิษฐ์และวิทยาศาสตร์ข้อมูลที่ขยายตัวอย่างรวดเร็ว แสดงรายการตัวเลือกที่น่ากลัวสำหรับบริษัทต่างๆ ที่หวังจะใช้ศักยภาพของมัน แมชชีนเลิร์นนิง การเรียนรู้เชิงลึก การประมวลผลภาษาธรรมชาติ โครงข่ายประสาทเทียม กระบวนการอัตโนมัติของหุ่นยนต์ และตัวแปรลึกลับอีกมากมายในหัวข้อข่าวและเอกสารทางเทคนิค

ในช่วงเวลาแห่งการส่งพลังการคำนวณที่น่าอัศจรรย์ เทคโนโลยีเหล่านี้วิงวอนผู้บริหารให้นำเทคโนโลยีเหล่านี้ไปใช้หรือพบว่าบริษัทของพวกเขาจะพ่ายแพ้โดยผู้ที่ทำเช่นนั้นในไม่ช้า สำหรับบริษัทเพียงไม่กี่แห่งที่ได้รับการคัดเลือกซึ่งมีแผนกทั้งหมดที่เกี่ยวข้องกับ AI การปรับแต่งเทคโนโลยีดังกล่าวให้เข้ากับกรณีการใช้งานถือเป็นธุรกิจในชีวิตประจำวัน แต่สำหรับคนส่วนใหญ่ การรู้ว่าจะเริ่มต้นที่ไหนนั้นไม่ตรงไปตรงมา

ในบทความนี้ ผู้บริหารของ Toptal แบ่งปันมุมมองเกี่ยวกับการประยุกต์ใช้โซลูชันที่เกี่ยวข้องกับเทคโนโลยีเทียมกับความต้องการทางธุรกิจทั่วไป

Pedro Nogueira ผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิงและวิทยาศาสตร์ข้อมูล นำเสนอข่าวที่สดชื่นแก่บริษัทที่มาใหม่: โซลูชันแรกมักจะไม่ซับซ้อน ต้นทุนต่ำ และช่วยเพิ่มพูนทางการเงิน เสริมมุมมองจาก Nogueira ทีมงาน Toptal Enterprise เน้นย้ำถึงแนวโน้มล่าสุดในกระบวนการอัตโนมัติของหุ่นยนต์ ซึ่งช่วยให้บริษัทปรับปรุงเวิร์กโฟลว์ที่เป็นกิจวัตร

กระบวนการอัตโนมัติของหุ่นยนต์และ AI: เครื่องมือสำหรับงานต่างๆ

ในการกำหนดกรอบคำแนะนำที่ Nogueira แบ่งปัน คุณควรทำความเข้าใจความแตกต่างระหว่าง Robotic Process Automation (RPA) กับปัญญาประดิษฐ์ (AI) และประเภทของข้อมูลที่แต่ละวิธีเหมาะสมที่สุดที่จะจัดการ

RPA และ AI แตกต่างกันไปตามงานที่ทำ หุ่นยนต์ซอฟต์แวร์ RPA ทำงานที่ซ้ำซากจำเจซึ่งคล้ายคลึงกับงานที่ทำโดยพนักงานหรือเครื่องจักรในสายการผลิต ในทางกลับกัน AI เหมาะที่สุดสำหรับสภาพแวดล้อมที่มีโครงสร้างน้อยกว่า โดยจำลองความสามารถในการวิเคราะห์ซึ่งเป็นพื้นฐานของการตัดสินใจและการตัดสินใจของมนุษย์

ตามความหมายทั้งสองวิธีมีความแตกต่างกัน สมาคมมาตรฐาน IEEE ซึ่งเป็นองค์กรระหว่างประเทศที่ประกอบด้วยผู้เชี่ยวชาญในอุตสาหกรรม กำหนดไว้ดังนี้:

RPA: ซอฟต์แวร์ที่กำหนดค่าไว้ล่วงหน้าซึ่งใช้กฎเกณฑ์ทางธุรกิจและกิจกรรมที่กำหนดไว้ล่วงหน้าเพื่อดำเนินการกระบวนการ กิจกรรม ธุรกรรม และงานต่างๆ โดยอัตโนมัติ

AI: การผสมผสานระหว่างองค์ความรู้อัตโนมัติ การเรียนรู้ของเครื่อง (ML) การใช้เหตุผล การสร้างและการวิเคราะห์สมมติฐาน การประมวลผลภาษาธรรมชาติและการกลายพันธุ์ของอัลกอริธึมโดยเจตนาทำให้เกิดข้อมูลเชิงลึกและการวิเคราะห์ที่หรือสูงกว่าความสามารถของมนุษย์

โดยทั่วไปแล้ว RPA จะถือเป็นชุดย่อยของ AI และเป็นสิ่งที่กำหนดเป้าหมายเป็นกิจวัตรซ้ำๆ ความแตกต่างที่สำคัญคือ RPA ไม่เรียนรู้ ในขณะที่ AI สามารถปรับเปลี่ยนตัวเองได้ โดยปรับเปลี่ยนกิจกรรมเพื่อตอบสนองต่อปัจจัยแวดล้อมต่างๆ

ด้วยเหตุนี้ RPA จึงเหมาะที่สุดสำหรับข้อมูลที่มีโครงสร้างสูง ในขณะที่ AI จะจัดการกับข้อมูลที่ไม่มีโครงสร้างหรือกึ่งมีโครงสร้าง ความแตกต่างระหว่างข้อมูลทั้งสองประเภทที่สรุปไว้ด้านล่างนั้นง่ายต่อการเข้าใจสำหรับทุกคนที่สร้างฐานข้อมูลสเปรดชีต

ข้อมูลที่จัดวางอย่างเป็นระเบียบในสเปรดชีต เช่น ข้อมูลติดต่อลูกค้า มีการจัดโครงสร้าง ข้อมูลที่ไม่ลงตัว เช่น ภาษาธรรมชาติ จะไม่มีโครงสร้าง การเห็นคุณค่าความแตกต่างระหว่างชนิดข้อมูลเหล่านี้มีความสำคัญต่อการทำความเข้าใจว่า AI รูปแบบใดที่เหมาะสมสำหรับกรณีธุรกิจที่กำหนด

การบล็อกและจัดการกับกระบวนการทางธุรกิจอัตโนมัติ

สำหรับบริษัทส่วนใหญ่ จุดเริ่มต้นที่ง่ายและเสี่ยงน้อยที่สุดในการใช้ประโยชน์จาก AI คือกระบวนการทางธุรกิจอัตโนมัติ ประกอบด้วยงานทางโลกที่ต้องใช้สติปัญญาเพียงเล็กน้อยและอาจไม่ต้องใช้ความพยายามของมนุษย์ กระบวนการดังกล่าวแสดงให้เห็นถึงการลงทุนในเทคโนโลยีที่ขจัดหรือลดการมีส่วนร่วมของมนุษย์อย่างมีนัยสำคัญ บริษัทและพนักงานยืนหยัดเพื่อผลประโยชน์ในสามวิธีที่แตกต่าง:

1. พนักงานให้ความสำคัญกับงานที่มีมูลค่าสูงและการแก้ปัญหา
2. บริษัทต่างๆ ตระหนักถึง ROI ที่เป็นบวกจากต้นทุนการดำเนินงานที่ต่อเนื่องน้อยที่สุด
3. คุณภาพของกระบวนการดีขึ้นเนื่องจากไม่มีข้อผิดพลาดของมนุษย์

RPA ขับเคลื่อนกระแสงานที่หลากหลายในอุตสาหกรรมประกันภัย

สำหรับบริษัทที่ปรับปรุงขั้นตอนภายในที่เรียบง่ายอยู่แล้ว เช่น การชำระเงินคืน โอกาสที่ซับซ้อนมากขึ้นอาจมี ROI สูง ในอุตสาหกรรมประกันภัย เช่น การสร้างราคาประกันและการดำเนินการเรียกร้องค่าสินไหมทดแทนนำเสนอกรณีการใช้งานที่สมบูรณ์แบบสำหรับ RPA

ในการจัดจำหน่ายกรมธรรม์ บริษัทประกันภัยจะต้องสร้างสมดุลระหว่างความเสี่ยงและผลตอบแทน โดยพื้นฐานแล้ว โดยเฉลี่ยแล้ว มูลค่าปัจจุบันสุทธิของเบี้ยประกันภัยจะต้องเกินกว่าค่าสินไหมทดแทน ในระหว่างการจัดจำหน่าย บริษัทประกันภัยจะประมาณการองค์ประกอบความเสี่ยงของสมการนี้ ซึ่งช่วยให้พวกเขาคาดการณ์เวลาและขนาดของหนี้สินในอนาคต

การพิจารณารับประกันภัยเป็นกระบวนการที่ต้องทำด้วยตนเองมาโดยตลอด ซึ่งข้อกำหนดด้านการวิเคราะห์ได้รับการดูแลโดยนักคณิตศาสตร์ประกันภัย ขณะนี้งานดังกล่าวมีการดำเนินการมากขึ้นโดยอัตโนมัติและด้วยการกำกับดูแลของนักวิทยาศาสตร์ด้านข้อมูลซึ่งใช้แหล่งข้อมูลใหม่เพื่อคาดการณ์ความเสี่ยงได้ดียิ่งขึ้น ตัวอย่างเช่น ในอุตสาหกรรมยานยนต์ บริษัทประกันได้ประเมินประวัติการสูญเสียในอดีต ซึ่งเป็นบันทึกการเคลมประกันในอดีตของผู้ขับขี่รายหนึ่งๆ บริษัทประกันเริ่มรวมคะแนนเครดิตของผู้ขับขี่ไว้ในการวิเคราะห์ความเสี่ยง โดยตระหนักว่าคะแนนที่สูงมีความสัมพันธ์เชิงบวกกับการขับขี่อย่างปลอดภัย และความสูญเสียในระดับที่ต่ำลง

เมื่อพิจารณาจากตัวอย่างการรับประกันภัยแล้ว Nogueira ตั้งข้อสังเกตว่า “เมื่อบริษัทต่างๆ คิดว่าพวกเขาต้องการ AI พวกเขาก็มักจะต้องการนักวิทยาศาสตร์ด้านข้อมูล”

สำหรับ Nogueira กระบวนการเสนอราคาประกันค่อนข้างคุ้นเคยทั้งในระดับมืออาชีพและส่วนบุคคล นักวิทยาศาสตร์ข้อมูลที่มีประสบการณ์โครงการในอุตสาหกรรมประกันภัย และผู้ที่ชื่นชอบรถจักรยานยนต์ที่เพิ่งไปเที่ยวโปรตุเกส เขาแบ่งปันเกร็ดเล็กเกร็ดน้อยที่ผู้ขับขี่หรือเจ้าของบ้านทุกคนสามารถเชื่อมโยงได้: “ถ้าฉันจำเป็นต้องเปลี่ยนมอเตอร์ไซค์ซึ่งฉันชอบทำบ่อยๆ ฉัน ไปออนไลน์กับกลุ่มบริษัทประกันภัยและแบ่งปันข้อมูลของฉันผ่านแบบสอบถามออนไลน์ของพวกเขา”

เมื่อส่งแล้ว ข้อมูลจะเข้าสู่ “แบบจำลองที่อยู่ที่ไหนสักแห่งบนแบ็กเอนด์ และวิเคราะห์โปรไฟล์ความเสี่ยงของฉันตามแบบจำลองหนึ่งหรือหลายแบบ จากนั้นให้ใบเสนอราคากับฉัน” ในไม่กี่วินาทีที่จะได้รับใบเสนอราคาดังกล่าว การวิเคราะห์ทั้งหมดจะเป็นไปโดยอัตโนมัติ แทนที่ด้วยการแทรกแซงของมนุษย์เฉพาะในกรณีที่ข้อมูลผิดเพี้ยน

ระบบอัตโนมัติยังขับเคลื่อนเวิร์กโฟลว์ดาวน์สตรีมในวงจรชีวิตของลูกค้าประกันภัย โดยเฉพาะระหว่างกระบวนการเคลม เมื่อลูกค้าประกันภัยยื่นคำร้อง บริษัทประกันภัยจะกำหนดว่าจะจ่ายทั้งหมด จ่ายบางส่วน หรือปฏิเสธการเรียกร้อง กระบวนการนี้มักเกี่ยวข้องกับบุคคลภายนอกหลายราย รวมถึงลูกค้าประกันภัย และผู้ให้บริการ เช่น โรงพยาบาลในกรณีของการรักษาพยาบาล หรือร้านซ่อมในกรณีของรถยนต์

ในอุตสาหกรรมยานยนต์ การตัดสินการเคลมขึ้นอยู่กับการตรวจสอบความเสียหายของรถยนต์ การกำหนดค่าใช้จ่ายในการซ่อม การเลือกร้านซ่อม และการจ่ายเงินสำหรับการซ่อม สำหรับการประมาณการการซ่อมแซม ภาพถ่ายมีบทบาทสำคัญในกระบวนการเรียกร้องค่าสินไหมทดแทน เจ้าหน้าที่ปรับค่าสินไหมทดแทนจะถ่ายภาพยานพาหนะที่เสียหาย เช่นเดียวกับศูนย์บริการ ทั้งก่อนและหลังการซ่อม ภาพถ่ายเหล่านี้แสดงหลักฐานความเสียหาย การซ่อมแซม และมูลฐานสำหรับการชดใช้

ในอดีต ภาพถ่ายเหล่านี้ถูกตีความโดยผู้คนเท่านั้น แต่ตอนนี้ ซอฟต์แวร์จดจำภาพควบคู่ไปกับการทำงานอัตโนมัติที่อิงตามกฎจะส่งข้อมูลที่สำคัญไปยังตัวปรับการเคลม ทำให้สามารถซ่อมแซมและครอบคลุมได้รวดเร็วยิ่งขึ้น

วิทยาศาสตร์ข้อมูลเป็นตัวขับเคลื่อน และนักวิทยาศาสตร์ข้อมูลเป็นตัวขับเคลื่อน

บริษัทต่างๆ ต้อง "กำหนดสิ่งที่เป็นระบบอัตโนมัติได้อย่างง่ายดาย และสิ่งที่จำเป็นต้องส่งต่อไปยังผู้มีอำนาจตัดสินใจที่เป็นมนุษย์" Nogueira กล่าว ด้วยกระบวนการใดๆ ที่อยู่ระหว่างการพิจารณาสำหรับระบบอัตโนมัติ เขายังคง "ดูข้อมูลก่อนและหากฎเกณฑ์"

ในขณะที่เขายอมรับว่าสาขาวิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์กำลังหลอมรวมเข้าด้วยกัน สำหรับธุรกิจที่ตั้งรกราก Nogueira ได้กล่าวถึงสองสิ่งนี้:

“วิทยาศาสตร์ข้อมูลคือ AI ที่ใช้กับสถานการณ์จริงและความต้องการทางธุรกิจทั่วไป มันเกี่ยวข้องกับการทำความเข้าใจข้อมูล การจัดการ ทำให้พร้อมใช้งาน ง่ายต่อการประมวลผล และท้ายที่สุดคือแนวทางสำหรับการตัดสินใจของผู้มีส่วนได้ส่วนเสียของบริษัท”

งานดังกล่าวมักจะเป็นการล้างข้อมูลและจัดเรียงชุดข้อมูลที่แตกต่างกัน ซึ่งไม่ใช่เรื่องง่าย จากนั้นจึงนำการวิเคราะห์ทางสถิติมาใช้ เช่น การถดถอยโลจิสติก เพื่อขับเคลื่อนการคาดการณ์และการตัดสินใจที่ดีขึ้น

ในทางตรงกันข้าม AI เน้นการวิจัยมากกว่ามากและเหมาะสำหรับการวิเคราะห์ข้อมูลที่ไม่มีโครงสร้าง “ลองนึกภาพโครงการที่ซับซ้อนจริงๆ ซึ่งมีความไม่แน่นอนอยู่มาก เช่น พยายามสร้างแบบจำลองที่กำหนดจำนวนคนที่อาจเข้ามาในซูเปอร์มาร์เก็ตโดยพิจารณาจากรูปแบบการเดิน วิดีโอกล้องวงจรปิด และข้อมูลทางประสาทสัมผัส”

ในท้ายที่สุด โมเดลนี้อาจคาดการณ์ได้ว่าผู้คนซื้อสินค้าอย่างไร พวกเขาต้องการอะไร และจัดตำแหน่งผลิตภัณฑ์ให้สัมพันธ์กันอย่างไร โดยปรับแปลนอาคารให้เหมาะสมเพื่อเพิ่มผลกำไรสูงสุด แม้ว่าโครงการ "ท้องฟ้าสีคราม" ดังกล่าว หากประสบความสำเร็จ ย่อมมีค่าสำหรับผู้ค้าปลีกอย่างไม่ต้องสงสัย แต่ก็ต้องมีทีมผู้เชี่ยวชาญหลายคนและอาจเสียค่าใช้จ่ายหลายเท่าของโครงการริเริ่มด้านวิทยาศาสตร์ข้อมูล ในกรณีการขายปลีก บริษัทอาจมุ่งเน้นไปที่องค์ประกอบที่สำคัญที่สุดอย่างน้อยหนึ่งอย่างของแบบจำลองการคาดการณ์ เช่น การปรับเวลาทำการของร้านค้าให้เหมาะสมที่สุดโดยสัมพันธ์กับปริมาณการเข้าชมและค่าใช้จ่ายในการดำเนินงาน

จุดเริ่มต้นที่สำคัญในการสร้างความสามารถด้านวิทยาศาสตร์ข้อมูลคือการนำประเภทและจำนวนผู้มีความสามารถที่เหมาะสมมาร่วมงาน โชคดีที่ Nogueira กล่าว บริษัทส่วนใหญ่ “ไม่ต้องการทีมนักพัฒนาระดับสูงจำนวนมากเพื่อทำระบบอัตโนมัติทั่วไปหลายอย่าง โดยเฉพาะอย่างยิ่งหากคุณพิจารณาจำนวน API และ SDK ที่พร้อมใช้งาน”

แม้ว่าเทคโนโลยีที่หาซื้อได้ทั่วไปนั้นจะมีเครื่องมือที่มีประสิทธิภาพ แต่สิ่งสำคัญคือต้องใช้งานด้วยมือขวา ที่นี่ Nogueira ให้คำเตือน: “เครื่องมือเหล่านี้อาจเป็นปัญหาจริงๆ เพราะมีผู้คนจำนวนมากกำลังใช้เครื่องมือเหล่านี้ในแบบที่พวกเขาไม่ควรทำ เพราะพวกเขาไม่เข้าใจเครื่องมือเหล่านี้”

เขาตั้งข้อสังเกตว่าอันตรายอยู่ใน "การสร้างแบบจำลองข้อมูลมากเกินไป" ซึ่งเป็นผลมาจากการใช้แบบจำลองกับข้อมูลในลักษณะที่ไม่คำนึงถึงความเป็นไปได้ทั้งหมด เขาเตือนว่าการฝึกที่มากเกินไปเช่นนี้ "อาจจบลงด้วยค่าใช้จ่ายสูงสำหรับธุรกิจ เพราะในสถานการณ์ที่คุณไม่เคยเห็นมาก่อน โมเดลดังกล่าวไม่สามารถสรุปได้อย่างชัดเจน ซึ่งอาจนำไปสู่การตัดสินใจที่ไม่ถูกต้องเกี่ยวกับข้อมูล"

เพื่อหลีกเลี่ยงหลุมพรางดังกล่าว Nogueira ขอแนะนำให้บริษัทต่างๆ จ้างนักวิทยาศาสตร์ข้อมูลที่มีประสบการณ์ บริษัททั้งหมดที่ต้องการปลดล็อกคุณค่าของลูกค้าหรือข้อมูลการดำเนินงาน "ต้องการบุคคลที่เข้าใจสถิติเป็นอย่างดี และความเฉียบแหลมทางธุรกิจที่เพียงพอเพื่อทำความเข้าใจกรณีการใช้งานและที่ซึ่งคุณค่าอยู่ในธุรกิจ" จากมุมมองด้านข้อมูลประจำตัว นักวิทยาศาสตร์ด้านข้อมูลที่มั่นคงมักจะมี BS อย่างน้อยในวิชาคณิตศาสตร์หรือสถิติ มีความสามารถที่แข็งแกร่งในการเขียนโปรแกรม และสามารถวิเคราะห์กรณีการใช้งานทางธุรกิจเพื่อกำหนดว่าวิทยาศาสตร์ข้อมูลสามารถส่งผลกระทบได้มากที่สุดที่ใด

ความคิดที่พรากจากกัน

ในขณะที่วิทยาศาสตร์ข้อมูลนำเสนอจุดเริ่มต้นที่น่าสนใจจากมุมมองของความเสี่ยง/ผลตอบแทน ภูมิทัศน์ที่กว้างขึ้นของเทคโนโลยี AI ก็คุ้มค่าที่จะสำรวจเช่นกัน ผู้บริหารองค์กรควรพิจารณา Data Science เป็นจุดรวมตัวที่จะเริ่มการสนทนาภายในเกี่ยวกับ AI

เมื่อพวกเขาตระหนักถึงเรื่องราวความสำเร็จด้วยระบบอัตโนมัติของกระบวนการทางธุรกิจ พวกเขาควรพิจารณาขยายขอบเขตเพื่อรวมกรณีการใช้งานที่ท้าทายยิ่งขึ้น ซึ่งอาจเหมาะกับเทคโนโลยี AI ทางเลือกมากกว่า ในบทความต่อๆ ไป Insights จะสำรวจภูมิทัศน์ AI ที่กว้างขึ้น ซึ่งช่วยให้ผู้บริหารสำรวจพื้นที่ที่จะให้ผลตอบแทนที่แข็งแกร่งอย่างไม่ต้องสงสัย